ChatGPT新增全双工语音对话
The Decoder··作者 Matthias Bastian
关键信息
OpenAI 表示，GPT-Live 每秒会多次决定是继续说话、继续倾听、暂停、打断还是调用工具，并且会使用“mhmm”“got it”之类的填充语来保持对话连贯。此次上线暂不支持带视频或屏幕共享的语音功能，但这些特性据称很快会加入。
资讯摘要
OpenAI 推出了 GPT-Live，这是为 ChatGPT 设计的新一代语音模型，目标是让口语对话更像人与人交流。其核心技术变化是采用全双工架构，也就是模型可以在听和说的同时进行，而不再局限于严格的一问一答轮流模式。OpenAI 表示，该系统能够自然地处理用户打断，还会使用像“mhmm”或“got it”这样的填充语来表明自己仍在跟进对话。此次全球同时上线两个版本：面向 Go、Plus 和 Pro 付费用户的 GPT-Live-1，以及面向免费账户的 GPT-Live-1 mini。两者都可在 iOS、Android 和 ChatGPT.com 上使用，API 访问也计划在之后开放。
对于需要网页搜索、推理或类似智能体能力的复杂请求，GPT-Live 会在后台把任务交给 GPT-5.5，同时维持前台对话不中断。用户还可以根据需求选择不同的推理级别，包括 Instant、Medium 和 High。OpenAI 称，新模型在用户偏好测试中优于此前的 Advanced Voice Mode，并在其内部的 tau3 Voice Telecom 基准上表现更好。此次发布暂时不包括带视频或屏幕共享的语音功能，但这些功能据称很快会加入，而旧版语音模式也会继续保留一段时间。
资讯正文
ChatGPT 现在可以一边听一边说，让 AI 对话更像人类交流
OpenAI 推出 GPT-Live，这是一款采用全双工架构的新一代语音模型。该模型可以同时听和说，并在后台将复杂任务交给 GPT-5.5 处理。
随着 GPT-Live 的推出，OpenAI 正在发布一类新的 AI 语音模型，旨在让与 ChatGPT 交谈更像真实对话。两种版本现已立即面向全球推出。GPT-Live-1 面向 Go、Plus 和 Pro 付费用户，而 GPT-Live-1 mini 则向免费账户开放。二者都可在 iOS、Android 和 ChatGPT.com 上使用。OpenAI 计划很快增加 API 访问权限，开发者可以通过表单报名。
与过去那种僵硬的你一句我一句、用户说完 AI 再回应的方式不同，GPT-Live 采用了全双工架构。该模型可以像真人对话一样同时倾听和发言。此前今年早些时候，Nvidia 发布了一款类似的开源模型 PersonaPlex。
OpenAI 表示，GPT-Live 每秒会多次决定是要开口说话、继续聆听、暂停、打断，还是调用工具。该模型可以使用 “mhmm” 或 “got it” 之类的填充语来表明自己在跟进对话。用户可以打断它、花点时间思考，或者让模型放慢语速。
OpenAI 表示，与之前的 “Advanced Voice Mode” 相比，用户更偏好 GPT-Live-1 的比例达到 75.7%，GPT-Live-1 mini 的比例达到 69.2%。除了新的对话功能外，这次更新还为 ChatGPT Voice 增加了可在对话中显示的视觉卡片，例如天气、股价或体育比分等信息。OpenAI 还重新设计了 GPT-Live 可用的 9 种语音。
在推出初期，GPT-Live 暂不支持 ChatGPT 中的带视频语音或屏幕共享功能，不过 OpenAI 表示这些功能即将上线。此前的 Standard 和带有这些功能的 Advanced Voice Mode 目前仍会保留。
借助后台委派给 GPT-5.5，弥补智能差距
最大的变化在于实时对话管理与实际推理能力被拆分开来。当问题需要网页搜索、推理或类代理能力时，GPT-Live 会将其转交给后台模型。当前这个后台模型是 GPT-5.5。在后台模型处理时，GPT-Live 会继续维持对话。
OpenAI 表示，这一架构的设计目标是让 GPT-Live 始终连接到最新的前沿模型。用户还可以选择推理级别，从用于快速回答的 “Instant”，到适用于 ChatGPT 应该花更多时间思考任务的 “Medium” 和 “High”。
这一设计弥补了早期实时模型的一大弱点：它们只会基于自身能力回答问题。这让它们远远落后于前沿模型，几乎无法用于严肃工作。
GPT-Live 还在 OpenAI 内部的 tau3 Voice Telecom 测试中领先。该测试评估全双工语音代理在真实电信支持任务中的表现。根据推理等级不同，GPT-Live-1 完成任务的成功率高得多，而且完成速度也更快。Advanced Voice Mode 的表现最差，成功率最低，处理时间最长。
更像人类的 AI 提高了安全风险
人们有充分记录的倾向，会把 AI 模型当成人类，并在各种事情上被它们说服，有时还会带来严重后果。研究表明，重度语音模型用户对 AI 的情感依赖甚至更强。一个听起来、回应起来都更像人的 AI 系统，很可能会放大这种风险。
OpenAI 表示，它已经建立了安全措施，即使在用户仍在说话时也会触发。系统可以将模型引导到更安全的回应、显示额外的安全信息，或在高风险情况下直接结束对话。当话题涉及自残时，系统会显示危机热线信息。
对于更年轻的用户，OpenAI 训练模型以符合其年龄特点的方式行事。家长可以使用家长控制来决定孩子是否能够访问 ChatGPT Voice，并会在高风险情况下收到通知。GPT-Live 也并非设计用来模仿真实声音，而只会使用预设语音。有关这些安全措施的完整细节可参见 System Card。
来源与参考
收录于 2026-07-09